怎么将y_train归一化

归一化y_train的方法可以使用MinMaxScaler或者StandardScaler。

使用MinMaxScaler将y_train归一化到[0,1]的范围内：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
y_train_scaled = scaler.fit_transform(y_train.reshape(-1, 1))

使用StandardScaler将y_train归一化到均值为0，方差为1的范围内：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
y_train_scaled = scaler.fit_transform(y_train.reshape(-1, 1))

需要注意的是，归一化的时候要保证训练集和测试集使用相同的归一化方法，因为测试集需要使用训练集的均值和方差进行归一化。

相关问题

归一化时训练集和测试集是在同一尺度下归一化，还是各自归一化，y_train和x_train归一化尺度相同吗

通常情况下，训练集和测试集应该在同一尺度下归一化。这是因为，训练集和测试集中的特征数据可能存在不同的分布，如果将它们分别归一化，就可能导致训练集和测试集中的数据在尺度上不一致，从而影响模型的预测准确性。

因此，在训练集上计算均值和方差，并对训练集和测试集进行归一化，可以保证训练集和测试集在同一尺度下归一化。

另外，y_train和x_train的归一化尺度一般不同，因为y_train通常是标签，而x_train是特征数据。对于特征数据，我们一般采用标准化（或最大最小归一化）的方法进行归一化。而对于标签数据，我们一般不进行归一化，因为标签通常不需要归一化。

train_predict = model.predict（X_train） test_predict = model.predict（X_test） train_predict = scaler.inverse_transform（train_predict） y_train = scaler.inverse_transform（[y_train]） train_predict = np.tile（train_predict， （1， 4）） #将train_predict复制4次，变为（110，4） train_predict = scaler.inverse_transform（train_predict） #进行逆归一化操作 y_train = np.tile（y_train， （1， 4）） #将y_train复制4次，变为（1， 440） y_train = scaler.inverse_transform（y_train.T） #进行逆归一化操作，并将结果reshape为（110，4） y_train = y_train.reshape（110， 4） test_predict = scaler.inverse_transform（test_predict） y_test = scaler.inverse_transform（[y_test]）报错Traceback（最近一次调用）： 文件 “C：\Users\马斌\Desktop\cnn测试\cnn改.py”，第 48 行，在 <module> train_predict = scaler.inverse_transform（train_predict） 文件 “D：\python\python3.9.5\pythonProject\venv\lib\site-packages\sklearn\preprocessing_data.py”， 第 541 行，在 X inverse_transform -= self.min_ 值错误：形状为 （110，1） 的不可广播输出操作数与广播形状 （110，4） 不匹配

根据报错信息，很明显是因为在进行逆归一化操作时，输出的形状与广播形状不匹配导致的。具体来说，你在对训练数据进行逆归一化操作时，复制了4次train_predict和y_train，让它们的形状变成了（110，4）和（1，440），而逆归一化操作的结果形状是（110，1），所以就无法与广播形状（110，4）匹配了。

解决这个问题的方法就是在进行逆归一化操作之前，先将train_predict和y_train的形状改为（110，1）和（440，1），这样逆归一化操作的结果形状就能与广播形状匹配了。你可以使用numpy的reshape方法来改变形状，具体代码如下：

train_predict = scaler.inverse_transform(train_predict.reshape(-1, 1))
y_train = scaler.inverse_transform([y_train.reshape(-1, 1)])
train_predict = np.tile(train_predict, (1, 4))
y_train = np.tile(y_train, (1, 4))
y_train = scaler.inverse_transform(y_train.T).reshape(110, 4)
test_predict = scaler.inverse_transform(test_predict)
y_test = scaler.inverse_transform([y_test])

这样修改后，就能够顺利地进行逆归一化操作了。